SemiAnalysis представила GDPx — тест из 206 практических задач в 11 профессиональных областях. Даже лидер первой таблицы набрал около 12 процентов, что резко отличается от привычных результатов на коротких академических тестах.
Что произошло
В набор вошли задания по проектированию чипов и железа, кибербезопасности, биологии, программированию, материалам и другим сложным направлениям. Проверка рассчитана на агентный режим: модель должна пройти цепочку действий, а не угадать ответ в одном сообщении.
Почему это важно
Низкий результат не означает, что современные модели бесполезны. Он показывает другую границу качества: агенту требуется удерживать цель, пользоваться инструментами, проверять промежуточный результат и не терять контекст на длинной дистанции.
Контекст
В верхней части опубликованной таблицы оказались Claude Opus 5.5, Gemini 4 Carbon и GPT-6 Astra, но ни одна система не лидирует во всех доменах. Это делает усреднённое место менее полезным, чем профиль конкретной модели под рабочую задачу.
Вывод
GDPx полезен как напоминание: рекламные проценты на отдельных тестах не равны автоматизации профессии. Для выбора модели компаниям придётся измерять полный процесс — от постановки задачи до проверенного готового результата.